OFF THE RECORD: Μη μου λες να ζω με αναμνήσεις…
Τεχνητή Νοημοσύνη: Το πιο παρεξηγημένο διάγραμμα ανανεώθηκε – Πού υπερέχουν και πού αποτυγχάνουν τα μοντέλα

Μία από τις πλέον συζητημένες και συχνά παρερμηνευμένες απεικονίσεις της προόδου στην Τεχνητή Νοημοσύνη απέκτησε μια σημαντική ενημέρωση. Η μη κερδοσκοπική οργάνωση αξιολόγησης METR δημοσίευσε τη νέα εκδοχή του διαγράμματος «χρονικού ορίζοντα» (time horizon plot), καταγράφοντας μια εντυπωσιακή διχοτόμηση: ενώ ορισμένες δεξιότητες των σύγχρονων μοντέλων συνεχίζουν να αναπτύσσονται με εκθετικούς ρυθμούς, οι επιδόσεις τους καταρρέουν όταν καλούνται να επιδείξουν ανθρώπινη κρίση.
Η εκθετική άνοδος στις επαληθεύσιμες εργασίες
Το αρχικό διάγραμμα της METR είχε γίνει αντικείμενο έντονων συζητήσεων στη βιομηχανία τεχνολογίας, καθώς έδειχνε ότι η πολυπλοκότητα των εργασιών που μπορούν να φέρουν εις πέρας τα κορυφαία μοντέλα διπλασιαζόταν κάθε τέσσερις μήνες. Η μέτρηση βασιζόταν στον χρόνο που χρειάζονταν ανθρώπινοι δοκιμαστές για να ολοκληρώσουν τα ίδια καθήκοντα.
Ωστόσο, η εν λόγω πρόοδος αφορά κυρίως «επαληθεύσιμες» εργασίες, όπως ο προγραμματισμός λογισμικού και τα μαθηματικά. Σε αυτά τα πεδία, ένα αυτοματοποιημένο σύστημα μπορεί εύκολα να εξακριβώσει εάν ο κώδικας λειτουργεί ή αν η λύση είναι σωστή. Μέσω της τεχνικής της ενισχυτικής μάθησης (reinforcement learning), οι ερευνητές εκπαιδεύουν τα νευρωνικά δίκτυα επιβραβεύοντας τις επιτυχείς προσπάθειες και αποθαρρύνοντας τα λάθη, καθιστώντας τα συστήματα ανώτερα ακόμα και από τους περισσότερους ανθρώπους μηχανικούς λογισμικού.
Το εμπόδιο της κρίσης και η αυτοματοποίηση της έρευνας
Η επικαιροποιημένη σουίτα δοκιμών της METR ενσωματώνει πλέον καθήκοντα ανοικτού τύπου, όπου η επιτυχία δεν είναι δυαδική (σωστό/λάθος) και απαιτεί ποιοτική στάθμιση. Σε μία από τις νέες δοκιμασίες, ζητήθηκε από τα μοντέλα να σχεδιάσουν νέα πρωτόκολλα αξιολόγησης για την ίδια τη METR. Το αποτέλεσμα ήταν απογοητευτικό: ούτε μία από τις προτάσεις της τεχνητής νοημοσύνης δεν κρίθηκε αρκετά ποιοτική ώστε να αξιοποιηθεί από τους ανθρώπινους ερευνητές.
Αντίστοιχα χαμηλές ήταν οι επιδόσεις και στην αξιολόγηση φιλοσοφικών επιχειρημάτων. Τα ευρήματα αυτά έρχονται σε μια κρίσιμη συγκυρία, καθώς ο κλάδος συζητά έντονα τις προοπτικές της «πλήρους αναδρομικής αυτοβελτίωσης» (recursive self-improvement), όπου τα μοντέλα θα σχεδιάζουν αυτόνομα τους διαδόχους τους. Αν και πρόσφατες εκτιμήσεις υποστήριζαν ότι εταιρείες όπως η Anthropic επιταχύνουν δραματικά την έρευνα μέσω AI, η απουσία στρατηγικής κρίσης θέτει σαφή όρια.
«Βρισκόμαστε στο σημείο όπου οι αξιολογήσεις της Τεχνητής Νοημοσύνης πρέπει να γίνουν πιο δημιουργικές», σημειώνει ο Σαγιάς Καπούρ, επιστήμονας υπολογιστών και εκλεγμένος καθηγητής στο UC Berkeley, ο οποίος πρόσφατα διαπίστωσε ότι τα μοντέλα αδυνατούν να αναπαράγουν αυτόνομα επιστημονική έρευνα. Την ίδια αδυναμία σε ρεαλιστικά καθήκοντα παραδέχθηκε πρόσφατα και η OpenAI.
Η επιστημονική κοινότητα παραμένει διχασμένη: ορισμένοι υποστηρίζουν ότι η εκπαίδευση σε επαληθεύσιμα δεδομένα θα οδηγήσει σταδιακά στην καλλιέργεια γενικότερης κρίσης, ενώ άλλοι προειδοποιούν ότι η επιλογή καίριων ερευνητικών ερωτημάτων θα αποτελέσει το απόλυτο τροχοπέδη για την πλήρη αυτοματοποίηση της επιστήμης.
























